商务智能实验11报告.doc

《数据挖掘与商务智能实验》 实 验 报 告 实验题目： 预测分析：人工神经网络 姓名： 王俊 学号： 201430850164 指导教师： 张大斌 实验时间： 2016.11.10 2016年 11 月 10 日 实验题纲 实验步骤与结果 步骤1 创建K-means聚类数据流 通过“Statistic文件”节点读入文件名为Telephone.sav的数据。 在数据流中添加“分区”节点，将样本集划分为训练集和测试集，如图所示 在“建模”模块下选择“神经网络”节点连接在数据流的恰当位置。 步骤2 设置相关参数 点击鼠标右键，点击“编辑”按钮进行主要参数的设置。 在“选项”0选项卡下，勾选“显示反馈图形”。 在“模型”选项卡下，勾选“使用分区数据”和“为每个分割购建模型”；选择“快速”方法；停止采用“默认值”。如图 步骤3 结果运行 计算的结果如图所示 四、实验分析与扩展练习 实验分析：如图所示，造成本实验预测精确度较低的的原因： 网络结构过于简单，隐藏层数太少，神经元较少； 2.未采用专家模式，对于一些权重（连接强度）分配不合理； 学习率设置不好 采用的方法不同 修改以上参数后，预测结果精度就会相应的增加 结论与讨论(重点) 1.反向传播是B—P反向传播模型较之于感知机最大的不同之处。所谓反向传播，是指Ｂ－Ｐ模型通过输出节点的测量误差，来逐层估计隐节点的误差，即反方向传播误差，从而调整网络权值，以实现输出值的精准化。 B－P反向传播网络算法包括正向传播和反向传播两个阶段。正向传播即从输入层到隐层到输出层，传播期间权值不变；预测误差计算出来后，便进入反向传播过程，即误差被反方向传回给输入节点。传播期间所有的网络可能会均得到调整。这种正向传播和反向传播过程不断重复，直到输出结果满足条件为止。B－P反向传播网络正得名于此。 B-P反向传播模型中，隐层起起着相当大的作用，其作用是将线性不可分的样本转化为线性可分的样本。所谓线性可分，指能使用一个超平面将两者分开，则为线性可分，否则则为线性不可分。 B-P反向传播模型中，可以通过改变网络结构在调整预测精度：比如增加隐层、隐节点数量均可。 4.BP算法的执行步骤 在反向传播算法应用于前馈多层网络时，采用Sigmoid为激发面数时，可用下列步骤对网络的权系数Wij?进行递归求取。注意对于每层有n个神经元的时候，即有i＝1，2，…，n；j＝1，2，…，n。对于第k层的第i个神经元，则有n个权系数Wi1?，Wi2?，…，Win?，另外取多—个Win+1?用于表示阀值θi?；并且在输入样本X时，取x＝(X1?，X2?，…，Xn?，1)。 算法的执行的步骤如下： 1．对权系数Wij?置初值。 对各层的权系数Wij?置一个较小的非零随机数，但其中Wi?,n+1=-θ?。 2．输入一个样本X＝(xl?，x2?，…，xn?，1)，以及对应期望输出Y＝(Y1?，Y2?，…，Yn?)。 3．计算各层的输出 对于第k层第i个神经元的输出Xi?k?，有： Xi?k?=f(Ui?k?) 4．求各层的学习误差di?k 对于输出层有k＝m，有 di?m?=Xi?m?(1-Xi?m?)(Xi?m?-Yi?) 对于其他各层，有 修正权系数Wij和阀值θ?用式(1—53)时有： 用式(1—54)时有： 其中： 6．当求出了各层各个权系数之后，可按给定品质指标判别是否满足要求。如果满足要求，则算法结束；如果未满足要求，则返回(3)执行。 这个学习过程，对于任一给定的样本Xp?＝(Xp1?，Xp2?，…Xpn?，1)和期望输出Yp?=(Yp1?，Yp2?，…，Ypn?)都要执行，直到满足所有输入输出要求为止。 (格式按华南农业大学论文格式)